<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Real-Time on Blog Formize.com</title><link>https://blog.formize.com/id/tags/real-time/</link><description>Recent content in Real-Time on Blog Formize.com</description><generator>Hugo</generator><language>id</language><atom:link href="https://blog.formize.com/id/tags/real-time/index.xml" rel="self" type="application/rss+xml"/><item><title>Generasi Data Sintetis Real‑Time yang Menjaga Privasi di Edge Menggunakan Enkripsi Homomorfik dan Pembelajaran Terfederasi</title><link>https://blog.formize.com/id/real-time-privacy-preserving-synthetic-data-generation-at-th/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/id/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="generasi-data-sintetis-realtime-yang-menjaga-privasi-di-edge-menggunakan-enkripsi-homomorfik-dan-pembelajaran-terfederasi">Generasi Data Sintetis Real‑Time yang Menjaga Privasi di Edge Menggunakan Enkripsi Homomorfik dan Pembelajaran Terfederasi&lt;/h1>
&lt;h2 id="pendahuluan">Pendahuluan&lt;/h2>
&lt;p>Edge AI kini beralih dari beban kerja hanya inferensi ke pipeline &lt;strong>berbasis data&lt;/strong> yang memerlukan pembaruan model secara kontinu, pelatihan di perangkat, dan generasi data sintetis. Walaupun data sintetis dapat secara dramatis mengurangi kebutuhan pengumpulan data dunia nyata yang mahal, hal ini juga menimbulkan kekhawatiran &lt;strong>privasi&lt;/strong> ketika data sumber berasal dari perangkat pengguna. Teknik anonimisasi tradisional (masking, differential privacy) biasanya menurunkan kegunaan data atau memerlukan otoritas pusat yang dipercaya—kedua hal tidak diinginkan untuk skenario edge yang sensitif terhadap latensi.&lt;/p></description></item></channel></rss>